FLUX 3 与 mimic：视频生成即机器人控制
Flux 3 X Mimic: The Next Generation of Video-Action Models
Black Forest Labs 的 FLUX 3 多模态基础模型正与 mimic robotics 联手，打造下一代视频动作模型 FLUX-mimic。该模型的核心逻辑在于：生成逼真视频需要理解物理世界的因果律，而这正是控制机器人所需的能力。通过 Self-Flow 技术，FLUX 3 在统一架构下同时优化了生成质量与特征表示，使得在真实工厂环境中，机器人能轻松处理线缆组装等复杂任务。这意味着，我们不再需要为内容创作和物理 AI 分别训练模型，一个理解世界的模型即可同时胜任两者。
如果同一个模型既能生成视觉内容又能控制机器人，那它从来就不只是一个内容创作模型，而是一个关于世界如何运作的模型。
HN 评论区
50- GiffertonThe3rd
视频在 3 分 30 秒左右，机械臂尝试了三次才重新装好窗框饰条，这一幕相当让人不安——我以前从未见过这种解决方式。这是新出现的吗？还是我完全落伍了？
- vessenes
非常有意思。核心结论是：一个训练良好的多模态视频生成模型内部已经包含了一个世界模型。他们做了一些工作，将这个世界模型提取出来并部署到机器人上，看起来效果不错。
一方面，这并非新想法，高质量的视频模型显然对材质、光线和世界（至少在奥卡姆剃刀意义上的“理解”）有认知。不过据我所知，还没有哪家视频实验室转型成了机器人实验室；这或许会是首例，或者是一条事后看来显而易见的新商业模式：训练视频模型，售卖视频生成服务，扩大规模，再利用规模优势去训练机器人相关技术：盈利。
他们的手部设计让我很感兴趣——看起来像是手套里藏了一堆东西；Xiami 刚发布的 Robotics-1 基础模型展示了一些用户训练的视频，用的是一些看起来很标准的夹爪；甚至到了有人戴上夹爪型手套来拍摄视频以训练该模型的程度。
BFL 模型看起来完全不需要这些。鉴于硬件侧的难度，我很期待看到他们接下来会怎么做。
- flufluflufluffy
好吧，这里的措辞，真是——
> 然而，与更专门化的表示学习方法相比，它们产生的表示解耦程度较低，这限制了它们在需要世界理解的任务中的实用性。
只有 LLM 才会用“解耦程度较低”这个概念来解释为什么“解耦程度较低”的表示在模拟现实世界时没那么有用，而它用来解释这个概念的表述本身却是“更纠缠（more entangled）”。
- altern8
太棒了。
让我感到难过的是，我们拥有所有这些了不起的技术，但电影却比以往任何时候都更糟糕。
我通常只能看几十年前的电影才能找到点像样的作品，而令人惊叹的是，当年那些看起来傻乎乎的木偶，其叙事能力却比现在强上一千倍。
这大概是个无关的牢骚，抱歉。
- rlupi
很高兴看到欧洲初创企业之间的合作。